scikit-learnで Non-negative Matrix Factorization(NMF) - Qiita
NMFは次元削減の手法であり､レコメンドの精度を高めることができるといわれています。 機会学習ライブラリのscikit-learnでもNMFを簡単に使うことができます。 今回は､具体例を用いて試して､NMFを直感的に理解することが目的です。 「Matrix Factorizationとは」という記事がわかりやすいです。 NMFとは レコメンドとしてのMatrix Factorizationについてざっくりと理解するには､英語ですが､以下の資料がわかりやすいです。 Matrix Factorization Techniques For Recommender Systems このスライドにある図を引用しながら軽くイメージを説明します。 NMFの手法が一躍有名になった､Netflix Prizeを想定し､ユーザーとその人がどの動画に何点の評価をつけたかを表す行列が与えられるとします(左のRat
非負値行列因子分解（NMF : Non-negative Matrix Factorization）を改めてやり直してみた - Qiita
非負値行列因子分解（NMF : Non-negative Matrix Factorization）を改めてやり直してみたPythonC++MachineLearningNMF非負値行列因子分解 一年ほど前に理解した非負値行列因子分解（NMF）を再実装して確認してみようとした記事です． Support Vector Machine(SVM)や最近ではDeep Learningなどが流行っていますが，こんな手法もありますよ，といった紹介になればと・・・ C++とPython2.7で久しぶりに実装してみました． 【2020/11/10 更新】 Python3系にアップデートしました。 Python版NMFコードをリファクタリングしました。 【2020/02/05 更新】 NMFを使ったリアルタイム音源分離のモックを作成しました。 こちら 【2018/03/23 更新】 一部本文を修正しました．
Robust NMF 論文リスト（適当版） - 北の大地から
2016 - 08 - 29 Robust NMF 論文リスト（適当版） Robust NMFについて，Robustという言葉が混じっている論文のリスト． 把握しきれていないけど読んで実装して実験環境もあわせて可能な限り公開していきたい． Robust NMF NMFは主にFrobenius normの二乗かKL-divergenceを用いた目的式の最適化を行う． しかし，これらはGaussian NoiseとPoisson Noiseを考慮した場合において最適になるモデル． そのため，ある値が極端に変な値を取るようなImpulse noiseや Laplace noiseに対しては頑健じゃない． 具体的には，Frobinus normの二乗を目的式に用いた場合，2乗で評価されるために極端な値に引っ張られるということがおきる． Robust NMFはこれらのnoiseに対してr
非負値行列因子分解(NMF) - studylog/北の雲
行列を分解して特徴を抽出する？非負値行列因子分解について勉強中。 導入 非負値行列因子分解 - sonoshouのまじめなブログ Non-negative Matrix Factorization（非負値行列因子分解） - あらびき日記 集合知プログラミング10章 雑感 ドキュメント群を教師無しのカテゴリ分けする場合に使えるか？ 潜在意味解析(LSA)してk-meansするのとどう違うのかわからない pythonライブラリ https://code.google.com/p/pymf/ http://nimfa.biolab.si/index.html python3に対応してないっぽい？ scikitのサンプル http://scikit-learn.org/stable/modules/decomposition.html#non-negative-matrix-factorizati
Nonnegative matrix factorization(NMF)でconsensus clustering
NMFを追っかけてたらMetagenes and molecular pattern discovery using matrix factorizationという論文を見つけたので、週末はこの論文を読みながら色々やってみた。NMFの便利なところは元の特徴(この論文の場合は遺伝子発現量)からより少ない任意の特徴量(論文中ではmetagene)に変換できるところであり、さらにそのままクラスターの分割に利用できる。 たとえば2つのmetageneで表現した場合、より発現量の大きいmetageneで分割すれば2つのクラスに分けられる。(QSARだったらdescriptorからmeta discriptorが導かれてそれに基づいてクラス分類ができるでしょう) 続いて、重要なのがクラスの安定性である。要するに最適なクラスタの数はいくつなのかということである。これに対して、この論文ではConsensu
NMFアルゴリズムの紹介 その① HALS - 北の大地から
2015-10-04 NMFアルゴリズムの紹介 その① HALS 昨日は，NMFの簡単なまとめをしたが，今回は，その一つの手法を取り上げることにします． 本当はMultiplicative Update ruleを最初に取り上げるべきなのでしょうが， 既に多くの記事で取り上げられているので，同じ内容を二度もやる必要はないだろうということで省きます． わかりやすい記事としては， Non-negative Matrix Factorization（非負値行列因子分解） - あらびき日記 Natureの例などを載せてくれていて，非常にわかりやすいです． smrmkt.hatenablog.jp リコメンデーション等の例もあり，直観的にわかる内容の記事になっています．なんとなくNMFを試してみるかという場合は，Multiplicative Update ruleで問題ありません． し
非負値行列因子分解（NMF）によるレコメンドのちょっとした例 - About connecting the dots.
最近線形代数についていろいろ読みなおしたりしてるのですが（線形代数チートシートを前の記事でまとめてあります），その一環でレコメンドアルゴリズムについていくつか試してみたので，それを解説します．順序としては，基本の協調フィルタリング（ユーザベースド，アイテムベースド）→特異値分解（SVD）→非負値行列因子分解（NMF）になります． 基本的な考え方 ここで取り扱うのは，すべて以下のようなユーザ×商品のマトリックスをベースとしたレコメンドになります*1．ここでは映画レンタルサービスを例にして考えます．6人のユーザが，4つの映画*2のうちレンタル視聴したものについては，1-5点の5段階評価を行いました．0になっているものは「みていない」ということになります． まずはざっと評価の状況をみると，「千と千尋の神隠し」が最もよく視聴されていて，6人中4人がみています．次にみられているのは「となりのトトロ」
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
